Schița de curs
Introducere în Învățarea prin Întărire și AI Agentic
- Luarea de decizii în condiții de incertitudine și planificare secvențială
- Componentele cheie ale RL: agenți, medii, stări și recompense
- Rolul RL în sistemele AI adaptive și agentice
Procese de Decizie Markov (MDPs)
- Definiția formală și proprietățile MDPs
- Funcții de valoare, ecuații Bellman și programare dinamică
- Evaluarea, îmbunătățirea și iterația politicilor
Învățarea prin Întărire fără Model
- Învățarea Monte Carlo și Învățarea Diferențială Temporală (TD)
- Q-learning și SARSA
- Practică: implementarea metodelor tabulare de RL în Python
Învățarea Profundă prin Întărire
- Combinarea rețelelor neuronale cu RL pentru aproximarea funcțiilor
- Rețele Deep Q (DQN) și reluarea experienței
- Arhitecturi Actor-Critic și gradienti de politică
- Practică: antrenarea unui agent folosind DQN și PPO cu Stable-Baselines3
Strategii de Explorare și Modelarea Recompenselor
- Echilibrarea explorării vs. exploatării (ε-greedy, UCB, metode de entropie)
- Proiectarea funcțiilor de recompensă și evitarea comportamentelor nedorite
- Modelarea recompenselor și învățarea pe bază de curriculum
Subiecte Avansate în RL și Luarea de Decizii
- Învățarea prin întărire multi-agent și strategii cooperative
- Învățarea prin întărire ierarhică și cadrul opțiunilor
- RL offline și învățarea prin imitație pentru implementări mai sigure
Medii de Simulare și Evaluare
- Utilizarea OpenAI Gym și a mediilor personalizate
- Spații de acțiune continue vs. discrete
- Metrici pentru performanța, stabilitatea și eficiența eșantionării agenților
Integrarea RL în Sisteme AI Agentice
- Combinarea raționamentului și RL în arhitecturi agentice hibride
- Integrarea învățării prin întărire cu agenți care folosesc instrumente
- Considerații operaționale pentru scalare și implementare
Proiect Final
- Proiectează și implementează un agent de învățare prin întărire pentru o sarcină simulată
- Analizează performanța antrenării și optimizează hiperparametrii
- Demonstrează comportament adaptiv și luare de decizii într-un context agentic
Rezumat și Pași Următori
Cerințe
- Competență avansată în programarea Python
- Înțelegere solidă a conceptelor de învățare automată și învățare profundă
- Familiaritate cu algebra liniară, probabilități și metode de bază de optimizare
Publicul țintă
- Ingineri de învățare prin întărire și cercetători AI aplicați
- Dezvoltatori de robotică și automatizare
- Echipe de inginerie care lucrează la sisteme AI adaptive și agentice
Mărturii (3)
Trainerul este răbdător și foarte util. Cunoaște bine subiectul.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Curs - Agentic AI for Business Automation: Use Cases & Integration
Tradus de catre o masina
Bună amestec de cunoștințe și practică
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curs - Agentic AI for Enterprise Applications
Tradus de catre o masina
Mixul dintre teorie și practică, precum și al perspectivelor de nivel ridicat și de nivel scăzut
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curs - Autonomous Decision-Making with Agentic AI
Tradus de catre o masina
